Afsløring af vores ‘Skjulte Besøg’ med Mobiltelefondata og Maskinlæring

Forskere fra Kina og USA har samarbejdet om en forskning, der bruger maskinlæringsmetoder til at afsløre de ‘skjulte besøg’, vi foretager, når vi bevæger os rundt i landet, men ikke laver nok telefonopkald eller bruger vores telefoner nok til, at der kan dannes et komplet billede af vores bevægelser fra teledataoptegnelser.

Artiklen, med titlen Identificering af Skjulte Besøg fra Sparsom Call Detail Record Data, er ledet af Zhan Zhao fra University of Hong Kong, som arbejder sammen med Haris N. Koutsopoulos fra Northeastern University i Boston og Jinhua Zhao fra MIT.

Forskningsprojektets præmis er at bruge de mobile tilslutningsoptegnelser (herunder mobildata, SMS og stemmeopkald) fra højt aktive brugere til at udvikle en model, der kan gætte bevægelsesmønstrene for mindre aktive brugere mere præcist.

En skitse til udtrækning af rejseinformation fra Call Detail Record (CD) data. Kilde: https://arxiv.org/pdf/2106.12885.pdf

Selv om forskerne indrømmer, at der er privatlivsimplikationer i udviklingen af sådant arbejde, og på trods af projektets erklærede formål om at opnå en bedre og mere detaljeret viden om brugernes rejser, hævder de, at formålet er at opnå en bedre generel viden om bevægelse.

De bemærker også, at Call Detail Record (CDR) data, der bruges til sådanne studier, har lav rumlig opløsning og er udsat for ‘positioneringsstøj’ på grund af brugerens skiftende position i forhold til de mobiltelefonmaster, de passerer, og foreslår, at denne begrænsning i sig selv er en form for privatlivsbeskyttelse:

‘Formålet med vores studie er rejseafkrydning og OD-estimation[*], som udføres på aggregatniveau, ikke på individniveau. De udviklede modeller kan direkte deployes på teleselskabernes databaseservere uden behov for dataoverførsel. Desuden er CDR-data i forhold til andre former for big data, såsom sociale medier eller kreditkortstransaktioner, relativt mindre indtrængende i forhold til personligt privatliv. Derudover hjælper lokaliseringsfejlen med at skjule den præcise brugerposition, hvilket giver endnu en lag af privatlivsbeskyttelse.’

Forløbne Tidsintervaller (ETIs)

Når vi rejser rundt med mobiltelefoner (ikke nødvendigvis smartphones), bliver begrænsningerne af CDR-data som et lokaliseringsværktøj tydelige. Forløbne Tidsintervaller (ETIs), perioder i en rejse, hvor mobilbrugeren ikke laver eller modtager opkald, er en kritisk markør til at holde styr på vores bevægelser – et interval af ‘stille’ langt nok til, at vi midlertidigt kan falde af radaren.

Forskere bemærker, at dette forstyrrer evnen af analytiske systemer til at gøre antagelser om A>B-rejser, da sparsomheden af data kan skjule en ‘uobserveret tur’. Den nye metode adresserer dette ved at analysere den rumligt-tidslige kontekst af ETIs samt ‘brugerens individuelle karakteristika’.

Dataset

Forskere udviklede deres kerne-træningsmængde med data leveret af en stor mobiltelefonselskab i en kinesisk by med en befolkning på 6 millioner mennesker. Data indeholdt mere end to milliarder mobiltelefontransaktioner genereret af tre millioner brugere i november 2013 og omfattede kun stemmeopkald og dataadgang (dataforbrug). SMS-data blev ikke brugt, hvilket gjorde det sværere at tackle sparsomheden af data.

Data indeholdt en krypteret unik ID; en Location Area Code (LAC); en tidsstempel; en mobiltelefon-ID, der blev samlet med LAC for at individuere den mobiltelefonmast, der blev brugt i transaktionen; og en Event ID (afgående/indgående opkald eller dataforbrug).

Processtræ til identificering af skjulte besøg.

Denne information blev krydskorreleret med en mobiltelefonmastdatabase, der tillod forskerne at forespørge længde- og breddekoordinaterne for den mast, der var forbundet med kommunikationsbegivenheden. Forskerne kunne identificere 9000 mobiltelefonmaster i datasettet.

Forskere bemærker, at det er svært at gætte rejsemål udelukkende ud fra opkaldsdata, da disse typer data toppes i morgen og eftermiddag, hvilket korrelerer med rejemønstre alligevel. Da telefonopkald forudgår rejsen (og måske udløser en rejse), kan dette medføre bias i destinationsestimation.

Mobilbrugsændringer over en dags løb.

Lignende begrænsninger gælder for brugerinitierede dataforbrugs-transaktioner, såsom meddelelsesapps, og andre former for interaktion. Men det er ‘automatiseret’ dataforbrug, der hjælper med at identificere os – den systematiske afhøring af API’er til nye meddelelser eller andre former for data, herunder meddelelselister, GPS og generel telemetri over installeret apps.

Behandling

Forskere tilgangen til problemet med en bred vifte af populære maskinlæringsklassificatorer, herunder logistisk regression, support vector machine (SVM), tilfældig skov og en gradient forstærkning ensemble-tilgang. Alle klassificatorerne blev implementeret i Python via scikit-learn, på standardindstillinger.

Af disse tilgange fandt forskerne, at logistisk regression gav det højeste antal fortolkelige modellparametre.

De fandt også ud af, at jo længere en ETI var, jo større var sandsynligheden for, at et skjult besøg havde fundet sted, og at en større forekomst af skjulte besøg sker om morgenen.

Desuden opdagede de, at når en brugers CDR-data let kan afsløre et højt antal destinationer eller vejpunkter, er der den mindste sandsynlighed for, at et skjult besøg har fundet sted. Generelt stemmer dette overens med forskningsprojektets generelle princip – at de ‘støjende’ eller mest aktive brugere tegner et detaljeret billede af deres bevægelser, hvorfra de mindre aktive brugeres adfærd kan sluttes.

I konklusionen forudser forskerne, at deres tilgang kan bruges til andre former for transitdata, herunder smartkortdata og geolokaliseret social medieinformation.

Forskningen blev finansieret af Energy Foundation China og China Sustainable Transportation Center.

* Origin-Destination